这段时间学习了<R高性能编程>这本书，基于这段时间做的项目实践，总结了一些自己的体会，和大家分享
一、为什么R程序有时候会很慢？
1、计算性能的三个限制条件 cpu ram io R代码本身
2、R是运行时解释的 在运行时解释并执行R代码
3、R是单线程的 CPU的强大核心并没卵用，R只会只用一个
4、R需要将全部数据加载到内存 处理的最大数据了取决于内存的限制
这里 linux相比于windows有一个优势，当我们试图装载一个可用内存大小的数据集
数据可能会成功装载，不过一旦可用内存耗尽，操作系统会将内存中的数据换到磁盘(交换空间)上
的交换文件，R人为数据全部装载入内存时间上OS正在做内存和磁盘文件的数据交换工作，如此一来，磁盘IO瓶颈对R性能就有着巨大的影响
5、算法设计影响时间和空间复杂度
时间复杂度：运行R程序需要的计算时间和数据规模之间的关系
空间复杂度：运行R程序需要的内存量和数据规模之间的关系
二、衡量代码的性能常用办法
使用system.time() benchmark() microbenchmark()
Rprof() 的工作原理是在运行R表达式的时候 ，观察R的调用栈，并以固定的时间，默认是0.02秒，对调用栈进行快照
，从而确定函数当前正在执行什么操作。通过这些快照，summaryRprof 能够计算每个函数的耗时
要理解R程序各个部分的性能，快速发现瓶颈，Rprof 是个很有用的工具
内存分析 memory.profiling=TRUE 这个指标会有误导，会偏高，因为有些函数内存尚未释放，
三、加快R运行的简单方法
1、尽量向量化运算，避免循环
2、使用内置函数。 R中存在很多低级运算符，虽然这些运算符可以组成更加复杂的运算符或者函数，但是和编译性语言相比性能很差，
但是R提供了很多C++编写的计算包。
比如计算 矩阵每一行的和，一般用apply可以解决问题，但是内置函数 rowSums，性能提升11倍，rowSums是使用C预编译的优化函数
开源社区开发了很多函数优化库供R使用，比如 basic linear algebra subprograms (BLAS) 详见：www.netlib.org.blas
3、预分配内存
为什么要预分配内存呢？主要是因为动态分配内存会拖慢程序的运行速度，每当向量大小发生变化，程序都需要做一些额外的工作
经过测试在一个简单的加法运算中，1000 长度的向量的计算，预分配内存之前为25.373秒，之后为0.577 秒
4、使用简单的数据结构
5、使用更加简单的数据结构
比如 如果可以的话，尽量使用matrix 而不是 dataframe，因为大部分矩阵操作首先要把dataframe强制转换为matrix，才开始计算。
如果数据中存在多种变量类型，不可避免的要使用dataframe的时候，尽量用subset 和 which 筛选子集后再做运算。
6、使用哈希表进行大型数据上的频繁查找
一个包含N个元素的列表上的查找操作的时间复杂度是O(N) 列表越靠后，查找时间越长，随着N的增加，情况越严重。
CRAN 上可用的R 包是hash， 哈希表上查找操作的时间复杂度为O(1)
7、去CRAN上寻找更快的包
例如：fastcluster，princomp，fastmatch，RcppEigen，data.table，dplyr
四、使用编译代码加快运行速度
1、在运行之前编译R代码 因为每次运行前都需要解析和评估代码。这需要话费大量CPU时间，拖慢运行速度。
利用compiler 包，能在一定程度上减少此问题，提前预编译。
cmpfun 编译函数
compile 编译表达式
cmpfile 编译存储在文件中的R表达式
2、即时编译 激活JIT（just in time） compiler 包的enableJIT
3、在R中使用编译语言 在R中嵌入C、C++、OC、OC++（inline包）
4、调用外部编译代码 Rcpp rJava
5、使用编译代码的注意事项
6、创建R对象及垃圾回收
预分配变量内存，PROTECT防止R的垃圾收集器清理对象。 UNPROTECT 解除已分配内存的保护
五、使用GPU让R运行的更快
这里需要注意的是在计算pearson相关性的时候，GPU是比CPU慢的
1、GPU最大的优势是核心数量巨多，所以最适合数据的并行问题，不适合那些线程之间需要大量同步的任务。
2、GPU的性能主要取决于主内存（RAM）和GPU内存之间的数据传输量，因为RAM和CPU内存之间的连接宽带很低。
优秀的GPU编程应该最小化这种传输
----------好了，截止到这里 我们已经了解了R为什么会慢以及如何衡量R代码的性能的问题；并且突破了CPU 限制，提升R程序性能的技术。
后面会以内存和IO方面作为突破口来优化代码，未完待续.....
原文出处：http://www.cnblogs.com/qiaoyihang/p/7779144.html